Характеристики

Контекст: 512 токенов
Параметры: 136 млн
Архитектура: bert · dense
Опубликована: 20 окт 2023

Ссылки

cls_sentimento_sebrae

Классификация текстаТекст → label4 профессии

BERT-модель для классификации текста на отрицательную, нейтральную и положительную тональность, обученная на внутреннем наборе данных Sebrae RS.

19скачиваний за 30 дней5лайковвеса обновлены20 окт 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

ggrazzioli/cls_sentimento_sebrae — модель классификации тональности текста, обученная для внутреннего набора данных Sebrae RS. Она относит текст к одному из трёх классов: отрицательный, нейтральный или положительный. Модель основана на BERT с архитектурой BertForSequenceClassification, содержит 136,1 млн параметров и рассчитана на последовательности длиной до 512 токенов.

Модель предназначена для анализа тональности текстов в сценариях, близких к данным Sebrae RS. В README приведены результаты проверки: accuracy 0,965 и macro F1 0,935; эти метрики относятся к указанной выборке и не гарантируют такое же качество на других данных. Для работы доступны веса PyTorch и safetensors; лицензия в предоставленных данных не указана.

Сценарии применения

определение тональности отзывов
анализ эмоциональной окраски обращений клиентов
разметка текстовых сообщений как отрицательных, нейтральных или положительных

Ограничения

Модель обучена на внутреннем наборе данных Sebrae RS, поэтому качество на текстах из других источников может отличаться. Контекст ограничен 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Trained

Problem type: Classificação de sentimentos em dataset interno do Sebrae RS
Model ID: 96390146647
CO2 Emissions (in grams): 0.6308
"id2label": {"0": "Negativo", "1": "Neutro", "2": "Positivo"}

Validation Metrics

Loss: 0.143
Accuracy: 0.965
Macro F1: 0.935
Micro F1: 0.965
Weighted F1: 0.964
Macro Precision: 0.938
Micro Precision: 0.965
Weighted Precision: 0.964
Macro Recall: 0.933
Micro Recall: 0.965
Weighted Recall: 0.965

Usage

Python API:

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model = AutoModelForSequenceClassification.from_pretrained("ggrazzioli/cls_sentimento_sebrae")

tokenizer = AutoTokenizer.from_pretrained("ggrazzioli/cls_sentimento_sebrae")

inputs = tokenizer("Gostei muito dos serviços gerados, recomendo a todos!", return_tensors="pt")

outputs = model(**inputs)

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: BertForSequenceClassification
Ревизия весов: 6f13a50